我正在使用HtmlUnit生成各种页面的HTML，但现在，我能够做的最好的事情是将HtmlPage转换为XML字符串，以获得服务器返回的原始HTML页面。这有点烦人，因为Web浏览器以不同于原始HTML的方式呈现XML输出。有没有一种方法可以将HtmlPage转换为原始的HTML而不是XML？谢谢！
6个回答
11
page.asXml() 会返回HTML代码。而 page.asText() 则将其渲染成纯文本。
- Rodney Gitzel
1
只想确认这个程序仅返回文本节点内的文本，不包括标签及其属性。 - mP.
6
我不完全确定我是否正确理解了这个问题，但也许这可以解决您的问题：
page.getWebResponse().getContentAsString()
这行代码是用于获取页面响应内容并以字符串形式返回。- Sergey O.
1
getWebResponse() 返回原始页面，不包括脚本所做的修改。因此，asXml() 和 asText() 是获取最终页面的更好解决方案。 - snorbi
1
我认为没有直接获取HTML格式的最终页面的方法。 asXml()返回结果为XML格式，asText()返回提取的文本内容。
你所能做的最好的事情就是使用asXml()并将其“转换”为HTML格式：
htmlPage.asXml().replaceFirst("<\\?xml version=\"1.0\" encoding=\"(.+)\"\\?>", "<!DOCTYPE html>")
(Of course，您可以应用更多的转换，比如将 <br/> 转换为 <br> - 这取决于您的需求。)
即使相关的Google文档也推荐这种方法（尽管他们不应用任何转换）：
// return the snapshot
out.println(page.asXml());
- snorbi
0
也许你想使用类似这样的东西，而不是使用HtmlUnit框架的方法：
try (InputStreamReader isr = new InputStreamReader(url.openConnection().getInputStream());
BufferedReader br = new BufferedReader(isr);){
String line ="";
String htmlSource ="";
while((line = br.readLine()) != null)
{
htmlSource += line + "\n";
}
return htmlSource;
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
- PooBucket
0
这是我适用的解决方案：
ScriptResult scriptResult = htmlPage.executeJavaScript("document.documentElement.outerHTML;");
System.out.println(scriptResult.getJavaScriptResult().toString());
- Pavlo
0
我不知道除了在页面类型上使用开关之外还有什么答案，对于XmlPage和SgmlPage，必须对HTML元素进行innerHTML操作，并手动编写属性。这并不优雅且不完美（缺少doctype），但它可以工作。
Page.getWebResponse().getContentAsString()
这是不正确的，因为它返回原始未呈现的文本形式，没有js字节。如果javascript执行并更改内容，则此方法将无法看到更改。
page.asXml()将返回HTML。page.asText()将其呈现为纯文本。
只想确认这仅返回文本节点中的文本，不包括标记及其属性。如果您希望获取完整的HTML，则这不够好。
- mP.
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接